arXiv cs.AI· Agamdeep S. Chopra, Caitlin Neher, Tianyi Ren, Juampablo E. Heras Rivera, Hesamoddin Jahanian, Mehmet Kurt·· 1 天前AI 评分18
SFL-Net：依赖正则化潜在通路用于多对比度 MRI 到 tau-PET 合成与组件归因
SFL-Net: Dependence-Regularized Latent Pathways for Multi-Contrast MRI-to-tau-PET Synthesis and Component Attribution
AI 导读
SFL-Net 是一种向量量化架构，通过共享、T1 专属、FLAIR 专属与联合输入四条潜在通路实现结构 MRI 到 tau-PET 合成，并用依赖正则化区分各通路。
正文 · AI 翻译
摘要：结构性 MRI 到 tau-PET 的合成可从间接解剖相关物估计分子成像模式。我们提出 SFL-Net，一种向量量化架构，具有共享、T1 特定、FLAIR 特定和联合输入潜在通路。依赖正则化区分这些通路，而潜在导出的结构条件支持解码，无需直接的编码器-解码器特征跳跃。我们使用来自 ADNI-3 和 OASIS-3 的 605 名训练受试者和 83 名内部验证受试者，评估了 SFL-Net 以及容量匹配的 VAE、VQ-VAE、U-Net 和 SPADE-U-Net 变体。在已实现的模型中，SFL-Net 取得了最低的原始 PET MAE 和 MSE 以及最高的 PSNR，而 SPADE-U-Net 变体在若干 SUVR 和分期指标上表现更好。精确联盟 Shapley 归因将最大的平均边际贡献分配给联合输入通路，且受试者间存在显著差异。这些贡献描述了潜在替换下解码器的依赖关系以及保留的结构条件；它们并未确立可识别的信息论协同效应，也未确立组合 MRI 对比度的增量收益。预测在较高 tau 负荷下显示出动态范围压缩，且若干分期指标接近恒定的 Stage 1 参考。SFL-Net 为多输入图像合成中的结构化潜在组件探查提供了一个框架，将架构通路与重建行为联系起来。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| ACM 分类： | I.2.10；I.4.8 |
| 引用为： | arXiv:2602.22545 [cs.CV] |
| （或本版本使用 arXiv:2602.22545v4 [cs.CV]） | |
| https://doi.org/10.48550/arXiv.2602.22545 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Agamdeep Chopra [查看电子邮件]
[v1]
2026 年 2 月 26 日星期四 02:37:38 UTC（20,260 KB）
[v2]
2026 年 4 月 8 日星期三 22:09:04 UTC（5,291 KB）
[v3]
2026 年 7 月 3 日星期五 00:03:22 UTC（2,203 KB）
[v4]
2026 年 11 月 11 日星期三 23:57:38 UTC（6,648 KB）
来源：arXiv cs.AI · arxiv.org